Zum Inhalt
KI-BlogBriefing zu künstlicher Intelligenz

Lexikon · M

MLOps

Kurzantwort

MLOps bezeichnet die Arbeitsweise, mit der Teams Modelle des maschinellen Lernens dauerhaft betreiben: Daten, Code und Modelle versionieren, Abläufe automatisieren, die Qualität im Betrieb überwachen und bei Bedarf neu trainieren. Der Begriff überträgt die Ideen von DevOps auf maschinelles Lernen⁠1.

Autor
Veröffentlicht
Geprüft
Lesezeit
3 Minuten
Offener grauer Schaltschrank mit leuchtenden grünen und gelben Kontrolllampen, an der Innenseite der Tür hängt ein Klemmbrett mit leerem Papier
Im Betrieb zählt, dass jemand die Lampen im Blick behält. Bild: KI-generiert

Mit dem ersten guten Testergebnis fängt die Arbeit an einem Modell erst an. D. Sculley und seine Mitautoren haben 2015 auf der Konferenz NIPS beschrieben, dass reale Systeme mit maschinellem Lernen hohe laufende Wartungskosten verursachen, und Ursachen benannt: versteckte Rückkopplungen, Abhängigkeiten von Daten, verflochtene Komponenten und Veränderungen in der Welt draußen⁠2. MLOps fasst die Verfahren zusammen, mit denen Teams diese Kosten im Griff behalten. Google beschreibt es als Zusammenführung von Entwicklung und Betrieb eines ML-Systems, mit Automatisierung und Überwachung in jedem Schritt⁠1.

Modelle altern ohne Codeänderung

Ein gewöhnliches Programm rechnet morgen genauso wie heute, solange niemand den Code ändert. Bei einem Modell ist das anders: Es kann schlechter werden, weil sich die Daten, auf die es trifft, von seinen Trainingsdaten entfernen. Google nennt deutliche Änderungen in den statistischen Eigenschaften der Daten als Anlass für ein neues Training und die Überwachung als Mittel, um Leistungsverlust und veraltete Modelle zu erkennen⁠1. Die Prüfung der Daten unterscheidet dabei zwei Fälle: Passt das Format nicht mehr, hält die Pipeline an; verschieben sich nur die Werte, startet ein neues Training⁠1.

Drei Reifegrade nach Google

Die Anleitung aus der Google-Cloud-Dokumentation ordnet MLOps in drei Stufen⁠1:

  1. Stufe 0: Alles läuft von Hand. Data Scientists übergeben ein fertiges Modell an die Technik, neue Versionen kommen nur wenige Male im Jahr.
  2. Stufe 1: Die Trainingspipeline ist automatisiert. Das Modell wird fortlaufend neu trainiert, Daten und Modell werden automatisch geprüft, Metadaten zu jedem Lauf gespeichert. Ausgerollt wird die ganze Pipeline.
  3. Stufe 2: Zusätzlich baut, testet und verteilt ein CI/CD-System die Pipelines selbst, sodass neue Ideen zu Merkmalen oder Architektur schnell in Betrieb gehen.

Ein optionaler Baustein ab Stufe 1 ist der Feature Store, ein zentraler Speicher, der Merkmale für Training und Betrieb einheitlich bereitstellt⁠1.

Versionen und der Weg zurück

Jede Modellversion braucht eine eindeutige Kennung und eine Spur zu den Daten, aus denen sie entstanden ist. Die Modellverwaltung von MLflow zählt bei jeder Registrierung die Versionsnummer hoch und verknüpft jede Version mit dem Trainingslauf, seinen Daten und Parametern⁠3. Ein Alias wie "champion" zeigt auf die Version im Einsatz; Anwendungen sprechen den Alias an und merken nichts, wenn er auf eine andere Version umgestellt wird, auch zurück auf die vorige⁠3.

Der Schritt davor, ein fertiges Modell überhaupt erreichbar zu machen, heißt Model Deployment. Wer für Modelle im Betrieb geradesteht und nach welchen Regeln sie laufen, legt die KI-Governance fest.

Den Betrieb von Modellen übernehmen auch Dienstleister, für deren Auswahl es eigene Kriterien gibt. SEO NW, der Betreiber von ki-blog.de, bietet selbst KI- und GEO-Dienste an.

Häufige Fragen

Brauche ich MLOps, wenn ich nur ein Sprachmodell über eine API nutze?

Die Pipeline für das eigene Training entfällt. Feste Testfälle und ein Protokoll, welche Modellversion welche Antwort gegeben hat, bleiben sinnvoll, denn Anbieter wie OpenAI führen eine Liste abgekündigter Modelle mit Abschaltdatum und empfohlenem Ersatz⁠4. Wie du solche Testfälle anlegst, zeigt [Prompts testen](/anleitungen/prompts-testen).

Welche Werkzeuge gibt es für MLOps?

Für Modellversionen gibt es Register wie das von MLflow⁠3. Google nennt außerdem automatisierte Pipelines, einen Speicher für Metadaten der Trainingsläufe und den Feature Store als Bausteine⁠1.

Quellen

Stand:

  1. Google Cloud: MLOps: Continuous delivery and automation pipelines in machine learning, abgerufen am 22.11.2026. zurück
  2. D. Sculley, Gary Holt, Daniel Golovin u. a. (NIPS 2015): Hidden Technical Debt in Machine Learning Systems, Stand 2015, abgerufen am 22.11.2026. zurück
  3. MLflow (Dokumentation): MLflow Model Registry, abgerufen am 22.11.2026. zurück
  4. OpenAI: Deprecations, abgerufen am 22.11.2026. zurück

Weiterlesen

Bilder: KI-generiert

Aus dem Lexikon

Bilder: KI-generiert